基于递归神经网络的信息理论盲源分离准则

本文基于一个全连接递归网络结构,给出一种新的信息理论的盲源信号分离准则。该准则在保证最大化信息传输的同时最小化输出互信息,从而使网络输出相互独立。由此准则推导的算法对传输中的信息损失引入了Hebb项。该算法既可以分离超高斯源的混迭,又可以分离亚高斯源的混迭信号。计算机仿真结果表明了该算法的良好分离性能。     

基于多步分解算法的解卷积混合盲源分离新方法

该文提出一种基于二阶统计量的时域多步分解算法求解卷积混合盲源分离问题。引入白化处理,将混迭矩阵转变成酉矩阵,同时,根据源信号不同延时下相关矩阵所具有的块状对角结构,将酉矩阵分为不同的列块。针对各列块之间相互正交的特性,提出一种关于某一特定列块的最小二乘三二次代价函数。利用一种常规的基于梯度下降法的三迭代算法,交替估计代价函数中的3组待定参数,搜索其最小点,得到酉矩阵一个列块的估计。利用系统化的多步分解算法(MSA),依次估计酉矩阵的每个列块,最终得到整个酉矩阵的估计,进而恢复出源信号。仿真结果表明,新方法性能优于经典的SUB方法及新近提出的JBD-NonU方法,可有效地解决卷积混合盲源分离问题。     

基于广义特征值的病态混叠盲源分离算法

提出了一种新的病态混叠盲源分离算法.算法首先对观察信号进行预处理,把多余的观察信号剔除,使预处理后的混叠矩阵 A 是行满秩的;然后,通过把恢复信号的部分和的协方差与恢复信号的协方差之比的对数作为代价函数,使优化代价函数转化为求解一个广义特征值问题.在较弱的条件下,证明了该算法能够恢复出所有理论上能被分离出的源信号.数值仿真表明该算法非常有效.     

一种基于广义协方差矩阵的欠定盲辨识方法

针对欠定盲源分离模型中的混合矩阵估计问题,研究了一种基于广义协方差矩阵的欠定盲辨识方法。该方法利用观测信号采样数据的广义协方差矩阵性质,将构建的一系列模型函数堆叠为一个张量模型,进而将欠定的混合矩阵辨识转换为张量分解模型中秩一分量的估计。理论分析和仿真结果表明,基于广义协方差矩阵的欠定盲辨识方法比经典的基于二阶协方差矩阵和基于四阶累积量的欠定盲辨识方法具有优越的性能。     

基于广义特征分解的盲信号分离算法

针对复杂环境下的线性混叠信号,给出了一种基于广义特征分解的盲信号分离方法。在信号数目未知的情况下,该方法利用广义特征分解即可获得混叠矩阵,无需进行常规的迭代运算即可实现对线性混叠信号的分离。实验证明了该方法的可行性和有效性。     

基于盲源分离的水声信道盲均衡处理方法

提出了一种基于盲源分离的水声信道讯均衡处理方法,通过对接收信号过采样构成源信号,采用了基于信息最大化原理(Infomax)在线分离算法进行了水声信道的盲均衡,并研究了时变水声信道条件下算法的均衡情况,仿真实验结果表明,该处理方法对多径水声信道具有较好的均衡效果,同时不受最小相位的条件限制。     

采用互补滤波器组进行频带分解的欠定盲源分离方法

为了有效估计混合矩阵并恢复出源信号,考虑到现实中的很多信号都是带限信号,提出了采用互补滤波器组进行频带分解的欠定盲源分离方法.该方法将接收的混合信号经互补滤波器组分离到不同的子频带,然后在每一个子频带分别估计混合矩阵进行常规的盲分离,利用聚类分析方法估计总的混合矩阵,最后把相关的分离子频带信号进行叠加以恢复出源信号.即...     

基于GRD-Hough变换的多高斯源盲分离算法

盲源分离有一个重要假设:源信号最多只含一个高斯信号。否则,基于统计量的盲分离算法性能会恶化。本文从广义矩形分布出发,通过把时域中的一维信号映射到二维的时-频表示来提供信号的频谱内容随时间变化的信息,并对时频谱进行Hough变换处理,利用不同高斯源的时频分布差异性,避开统计量提出了一种能分离多个高斯源的盲分离算法,扩展了盲源分离的应用领域。     

脉冲噪声中非平稳源的盲分离方法

盲源分离的目的在于只利用观测数据把被瞬时线性混合的源信号恢复出来.本文讨论的是一种在服从α-稳定的噪声中的非平稳源盲分离方法,我们首先用一个经验门限值对观测数据进行预处理,充分利用源信号的非平稳性和时间相关特性,对加权后的观测数据用滑窗的方法得到不同的时延相关矩阵,然后利用多个特征矩阵的近似联合对角化方法来估计源信号和混合矩阵.这种方法适用于特征指数α趋于1的情况,仿真结果说明该方法具有良好的性能.     

基于盲源分离的雷达信号分选方法

传统的信号分选算法建立在脉冲描述字（PDW）参数分析的基础上,对同频或频谱混叠的雷达信号可能无法分选.鉴于越发明显的常规雷达信号处理方法的局限性,通过仿真手段,用盲源分离的方法对混合后的雷达信号进行分选.仿真结果表明,该方法可对雷达盲信号进行有效的分离,且不需要其它信号处理方法所要求的任何先验知识作为条件.     

一种基于平滑窗口法的盲分离复数算法

通过对传统盲源分离批处理EASI算法的分析,针对时变信道中通信信号的复数形式,以平滑窗的形式实现了批处理算法在时变混合模型下的应用。通过主分量分析的原理,进行噪声方差估计,改进传统独立分量分析算法消除噪声影响。通过仿真证明,在噪声较大的情况下性能优于传统算法。     

超定盲信号分离RLS算法研究

研究在线盲信号分离问题.将适定盲信号分离的RLS算法,推广到源信号个数未知的超定盲信号分离模型中,利用正交投影方法消除了超定盲信号分离RLS算法的冗余移动,设计出能够稳定收敛的超定盲信号分离RLS算法.仿真实验验证了算法的有效性和其收敛的稳定性.     

一种频率域的盲源分离算法

提出了一种频率域基于第二特征函数的窄带信号盲分离算法，理论上证明了本方法能够从有噪观察数据中得到无噪混合矩阵估计。仿真结果表明本方法信号分离性能优于时域方法。在高信噪比时，本方法的分离信号绝对误差和比时域方法低9．5dB。     

一种新的联合对角化盲源分离算法分析

盲源分离是一种多通道的信号处理方法。应用盲源分离理论,可以在不知道传输通道的情况下,仅依靠采集到的信号,提取出各种源信号。构建累积量联合矩阵,进行对角化处理,得到分离矩阵,是一种很常见的盲源分离方法。针对通常算法精度不高的问题,提出了一种将基于二阶累积量和基于四阶累积量综合在一起的盲源分离算法。该方法结合了两种方法的优点,既考虑了二阶时空间上的不相关,又考虑了四阶累积量度量的独立性。     

一种快速的解盲源分离新算法

 针对盲源分离问题,提出一种基于接收信号不同延时下自相关矩阵组的快速联合对角化算法(FJD).采用乘性迭代机制求解表征联合对角化近似程度的F-范数代价函数.对代价函数的合理近似及巧妙求解,是算法快速有效的核心原因.每步迭代得到的严格对角占优更新矩阵,保证联合对角化器严格可逆,防止收敛到平凡解.算法具有不需要预白化操作,不限定待对角化目标矩阵的正定性,并能处理复值数据等诸多优点,具有极广的适用性.详细的计算复杂度分析说明了算法的高效性及易操作性.仿真结果表明,FJD算法收敛速度快,性能良好,能有效地解决盲源分离问题.     

一种信号源盲分离的神经网络算法

本文提出了一种新的盲信号分离的神经网络算法。神经网络的第一层使用奇异值分解(SVD)方法对观测信号进行预白化处理。在传感器的数目不少于源信号的情况下,预白化处理能够估计出源信号的数目,同时压缩掉冗余信息。神经网络的第二层是分离层。分离层的权值矩阵应该是正交矩阵。本文应用一个正交严格受限(SOC)算法调整分离网络的权值。其中,用恢复信号的四阶互累积量的平方构造代价函数。仿真实验验证了算法的有效性。     

盲源分离和盲反卷积

盲信号处理是信号处理领域的热点研究问题,盲源分离和盲反卷积是盲信号处理的重要组成部分近年来取得许多重要进展.本文主要介绍盲源分离和盲反卷积的基本模型、数学原理和研究进展;分析了各种方法的特点并指出了进一步的研究方向.     

一种新的自适应步长盲源分离算法

自然梯度盲源分离算法通常采用固定步长,但这样做会造成算法收敛速度慢和跟踪能力差.为此,提出了一种新的自然梯度自适应步长盲源分离算法,使步长在每次迭代中根据其他参数的变化做出相应的调整.在非稳态环境下,计算机仿真试验结果表明,新算法不仅具有良好盲分离性能,而且在上述两个方面都有了较大改善.     

基于EMD和ICA的单通道语音盲源分离算法

针对单通道语音信号盲分离的问题,结合盲源分离和经验模式分解的优点．提出了一种基于经验模式分解的单通道语音信号源数估计和盲源分离方法。对语音混合信号进行经验模式分解,利用贝叶斯算法估计语音源数目,根据源信号数目重组多通道语音混合信号,并采用独立分量分析实现语音信号的盲分离。仿真实验表明,使用此法能有效地估计通道语音信号源数和分离盲源。